一種多目標(biāo)優(yōu)化的軍事運(yùn)輸過程的優(yōu)化調(diào)度方法
【專利摘要】本發(fā)明涉及一種多目標(biāo)優(yōu)化的軍事運(yùn)輸過程的優(yōu)化調(diào)度方法，屬于車輛調(diào)度智能優(yōu)化調(diào)度【技術(shù)領(lǐng)域】。本發(fā)明通過確定多目標(biāo)優(yōu)化的軍事運(yùn)輸過程的調(diào)度模型和優(yōu)化目標(biāo)，并使用基于量子種群增量學(xué)習(xí)算法的優(yōu)化調(diào)度方法對優(yōu)化目標(biāo)進(jìn)行優(yōu)化。本發(fā)明提出了多目標(biāo)優(yōu)化的軍事車輛優(yōu)化調(diào)度過程的調(diào)度模型和優(yōu)化目標(biāo)，結(jié)構(gòu)清晰準(zhǔn)確；采用根據(jù)算法步驟得到當(dāng)前種群的“最優(yōu)個體”并將“最優(yōu)個體”信息反饋到量子位觀測模型用于更新下一代種群，能夠有效的引導(dǎo)算法進(jìn)行全局搜索；對種群“最優(yōu)個體”、執(zhí)行“Ejection Pool”和“Operate Assemble”操作使得算法的局部開發(fā)能力得到顯著提高，進(jìn)一步提升解的質(zhì)量。
【專利說明】-種多目標(biāo)優(yōu)化的軍事運(yùn)輸過程的優(yōu)化調(diào)度方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及一種多目標(biāo)優(yōu)化的軍事運(yùn)輸過程的優(yōu)化調(diào)度方法，屬于車輛調(diào)度智能 優(yōu)化調(diào)度【技術(shù)領(lǐng)域】。

【背景技術(shù)】
[0002] 所謂"兵馬未動，糧草先行"，自古至今軍事運(yùn)輸在戰(zhàn)爭中都起著至關(guān)重要的作用。 依靠現(xiàn)代化運(yùn)輸設(shè)備，將大量作戰(zhàn)人員、物資和裝備通過陸運(yùn)、水運(yùn)、空運(yùn)等運(yùn)輸手段向作 戰(zhàn)地集結(jié)，快速形成戰(zhàn)斗力。軍事運(yùn)輸能力是大國國力的象征，也是震懾周邊不安因素的絕 對力量。在現(xiàn)代化戰(zhàn)爭環(huán)境中，如何利用現(xiàn)有條件最大化實現(xiàn)軍力調(diào)動是戰(zhàn)爭取勝的關(guān)鍵。 自20世紀(jì)90年代起，歐美各國已開始研究現(xiàn)代化戰(zhàn)時軍事運(yùn)輸問題，如何提高軍事運(yùn)輸各 個環(huán)節(jié)的效率，是提高軍隊現(xiàn)代化建設(shè)和提高軍隊?wèi)?zhàn)斗力的關(guān)鍵。
[0003] 在整個軍事運(yùn)輸過程中，如何利用有限條件實現(xiàn)最大化配送，并滿足不同部隊的 各自需求，在指定的時間內(nèi)將物資送到。具體來說，即有一個后勤中屯、，需要通過多輛車輛 向分布在不同陣地的一線部隊配送戰(zhàn)備物資，為保持一線部隊的戰(zhàn)斗力，配送車輛必須在 一定的時間窗內(nèi)配送到指定地點(diǎn)，否則該部隊由于物資匿乏，將實行戰(zhàn)略轉(zhuǎn)移即配送任務(wù) 失敗。軍事運(yùn)輸過程屬于一類復(fù)雜的車輛路徑優(yōu)化調(diào)度過程，由于每輛車都的最大載重相 同，每個部隊都有一定的卸貨時間，學(xué)術(shù)界定義該類車輛路徑優(yōu)化問題為帶硬時間窗的車 輛優(yōu)化調(diào)度問題（VRPHTW)，也已經(jīng)證明VRPHTW屬于NP難范疇，即無法在多項式時間內(nèi)求得 其精確解。對該問題進(jìn)行合理的調(diào)度，可明顯提高軍事運(yùn)輸?shù)男省?br> [0004] 由于多目標(biāo)優(yōu)化的軍事運(yùn)輸過程調(diào)度問題屬于NP難，傳統(tǒng)的數(shù)學(xué)規(guī)劃方法只能 求解小規(guī)模問題，而啟發(fā)式構(gòu)造性方法優(yōu)化質(zhì)量較差。因此，本發(fā)明設(shè)計一種基于量子種群 增量學(xué)習(xí)算法的優(yōu)化調(diào)度方法，可在較短時間內(nèi)獲得多目標(biāo)優(yōu)化的軍事運(yùn)輸過程的優(yōu)化調(diào) 度問題的優(yōu)異解（近似最優(yōu)解）。


【發(fā)明內(nèi)容】

[0005] 本發(fā)明所要解決的技術(shù)問題是在較短時間內(nèi)獲得多目標(biāo)優(yōu)化的軍事運(yùn)輸過程優(yōu) 化調(diào)度問題的優(yōu)異解的問題，提供了一種多目標(biāo)優(yōu)化的軍事運(yùn)輸過程的優(yōu)化調(diào)度方法。
[0006] 本發(fā)明的技術(shù)方案是；一種多目標(biāo)優(yōu)化的軍事運(yùn)輸過程的優(yōu)化調(diào)度方法，通過確 定多目標(biāo)優(yōu)化的軍事運(yùn)輸過程的調(diào)度模型和優(yōu)化目標(biāo)，并使用基于量子種群增量學(xué)習(xí)算法 的優(yōu)化調(diào)度方法對優(yōu)化目標(biāo)進(jìn)行優(yōu)化；其中調(diào)度模型根據(jù)每輛車對其任務(wù)內(nèi)配送目的地的 行駛里程及時間窗約束而建立，同時第一優(yōu)化目標(biāo)為最小化配送車輛數(shù)

【權(quán)利要求】
1. 一種多目標(biāo)優(yōu)化的軍事運(yùn)輸過程的優(yōu)化調(diào)度方法，其特征在于：通過確定多目標(biāo)優(yōu) 化的軍事運(yùn)輸過程的調(diào)度模型和優(yōu)化目標(biāo)，并使用基于量子種群增量學(xué)習(xí)算法的優(yōu)化調(diào)度 方法對優(yōu)化目標(biāo)進(jìn)行優(yōu)化；其中調(diào)度模型根據(jù)每輛車對其任務(wù)內(nèi)配送目的地的行駛里程及
式中：K= {1，2, --?，》}為配送車輛集合；N= {1，2, --?，]!}為配送目的地集合；V= {〇，N}為后勤中心和所有配送目的地的集合，V=O表示后勤中心，V辛O表示配送目的地； Vk為車輛k訪問包含后勤中心和配送目的地的集合；du為各配送目的地點(diǎn)間的距離，d 0, (Iii =O0，i,jGV;Capacity為車輛最大載重限制；qi,iGV為各配送目的地的需求量； ?4表示車輛k服務(wù)目的地i以后是否服務(wù)目的地j，# = 1為服務(wù)，# = 0為不服務(wù)；_>，f表 示目的地i是否被車輛k服務(wù)，= 1:為被服務(wù)，= 0為不被服務(wù)；[li(l，Iil]為配送目的 地的時間窗限制，Iitl為配送目的地i允許的最早開始服務(wù)時刻，In為配送目的地i的最遲 開始服務(wù)時刻，SiS目的地i的開始服務(wù)時刻。
2. 根據(jù)權(quán)利要求1所述的多目標(biāo)優(yōu)化的軍事運(yùn)輸過程的優(yōu)化調(diào)度方法，其特征在于： 基于量子種群增量學(xué)習(xí)的優(yōu)化調(diào)度方法的具體步驟如下： Stepl、編碼方式：采取基于量子位觀測模型實現(xiàn)標(biāo)準(zhǔn)二維01觀測矩陣，通過01觀測矩 陣解碼得到十進(jìn)制編碼的目的地配送關(guān)系排序； St印2、種群生成：生成初始量子位觀測模型e\取/?(坪m> =l) =V^/2 (I<i，j<N)，通過公式（11)選擇轉(zhuǎn)移到目的地j，直至初始解的數(shù)量達(dá)到種群規(guī)模的要 求，其中種群規(guī)模為P;
式中，r為在[0，1]上服從均勻分布的隨機(jī)變量，r(l為控制選擇目的地j方式的參數(shù)且O彡r。彡I;TIj=l/((sj-l_time) (bj-l_time))為時間窗相關(guān)緊度，Sj=Max(a_time,Ij0) 為目的地j開始服務(wù)時刻，l_time為離開目的地i的時刻，h為目的地j的時間窗關(guān)閉時 亥lj，a_time為車輛到達(dá)目的地j的時刻，1#為目的地j的時間窗開啟時刻；表示 中第i(1彡i彡n)列選擇目的地j(1彡j彡n)的概率，0 為種群中第gene代的2維 量子位觀測模型0 1(nXn);為車輛k從目的地i出發(fā)可以訪問的所有目的地j，其中j 為未配送的目的地且不為后勤中心，同時車輛k服務(wù)j不違反式（4)和式（8)的約束條件 的集合； Step3、選擇當(dāng)代種群中最優(yōu)個體進(jìn)行局部搜索：選擇所有個體中最小的一個個體作 為當(dāng)代種群最優(yōu)個體若存在多個相同的個體，則選擇這些個體中f2最小的一個 個體為; Step4、基于"EjectionPool"進(jìn)行配送車輛優(yōu)化：基于"EjectionPool"隨機(jī)選擇解 中第k'輛車的服務(wù)目的地送入EP，并刪除第k'輛車內(nèi)的服務(wù)目的地得到 ，然后將EP內(nèi)的目的地依次插入解1中的各個車輛中，若EP中的目的地 在不違反式（4)和式（8)約束條件的前提下，全部成功插入可行路徑，則f1=f\-l并更新 C-=〇_'，反之心和Cw保持不變； Step5、基于"OperateAssemble" 進(jìn)行配送里程優(yōu)化'OperateAssemble" 的優(yōu) 化操作方式包含3種路徑內(nèi)操作" 2-opt"、" 2-swap"、"inherent-insert"和3種路徑 間操作"2-叩#"、"〇1-叩丨"、"&(^ 〇%"；每次迭代分別隨機(jī)選取路徑內(nèi)和路徑間的一種 操作方式進(jìn)行里程優(yōu)化，直至配送里程不再減小，得到f2'和^若f2>f2'，則^opto，= '，反之則不變； Step6、量子位觀測模型更新：采用量子門旋轉(zhuǎn)操作更新量子位觀測模型，量子門的初 始角為〇. 05 ，將每次迭代產(chǎn)生種群信息反饋到量子位觀測模型上，直接影響下一代種群 的產(chǎn)生； Step7、終止條件：設(shè)定終止條件的最大迭代數(shù)為200,如果滿足，則輸出"最優(yōu)個體";否 則轉(zhuǎn)至步驟St印2,反復(fù)迭代，直到滿足終止條件。
3.根據(jù)權(quán)利要求1或2所述的多目標(biāo)優(yōu)化的軍事運(yùn)輸過程的優(yōu)化調(diào)度方法，其特征在 于：所述種群規(guī)模P為20。
【文檔編號】G06Q50/30GK104504453SQ201410668324
【公開日】2015年4月8日 申請日期:2014年11月20日 優(yōu)先權(quán)日:2014年11月20日
【發(fā)明者】胡蓉, 曹高立, 錢斌 申請人:昆明理工大學(xué)